具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本申请实施例的交通数据的分析方法的流程示意图一。如图1所示，该分析方法可以包括：

S101、获取多个初始交通数据。

S102、确定各初始交通数据的类别；

S103、接收AI分析模型的搜索指令，搜索指令中包括目标类别信息；

S104、根据各初始交通数据的类别，从各初始交通数据中确定出与目标类别信息对应的目标交通数据；

S105、向AI分析模型发送目标交通数据，以使AI分析模型根据目标交通数据进行AI分析。

根据申请实施例的分析方法，通过对获取到的多个初始交通数据先进行分类，进行确定各初始交通数据的类别。进一步地，在接收到AI分析模型的搜索指令时，基于搜索指令中的目标类别信息，可以快速从各初始交通数据中确定出相应的目标交通数据，向AI分析模型快速推送目标交通数据，便于AI分析模型基于目标交通数据进行AI分析，这样可以提高AI分析的效率。

再者，由于可以通过初始交通数据的类别与AI分析模型之间的对应关系，向AI分析模型准确提供目标交通数据，因此，该分析方法适于具有多个AI分析模型的大规模AI分析中，从而有利于提升AI分析的多样性。

需要说明的是，本申请实施例的交通数据的分析方法，适于应用到大数据处理、自动驾驶、车联网领域。例如，对海量交通数据的分类处理，利用交通数据进行自动驾驶所需的AI导航，利用交通数据进行车联网领域所需的AI分析等。

在一个示例中，初始交通数据可以从服务器和/或车辆中获取。其中，服务器可以是交通情报系统，从服务器中获取的初始数据包括但不限于距离车辆所在位置的道路数据、路网数据和商铺数据。从车辆中获取的初始数据包括从车辆中获取车辆的行驶数据。

示例性地，道路数据包括但不限于距离车辆所在位置的下一条道路的位置信息、名称、长度信息、车道数量和距离信息。路网数据包括但不限于距离车辆所在位置的预设范围内的周边道路的位置信息、名称、长度信息、车道数量、转向信息和斑马线信息。商铺数据包括但不限于商铺的名称、位置信息、价格信息和评分信息。车辆的行驶数据包括但不限于车辆的车速信息、剩余油量和剩余电量。

在又一个示例中，初始交通数据的类别可以为多个，初始交通数据的类别及数量可以根据实际需要进行选择和调整，本申请实施例对此不作限制，只要能够根据所需功能对初始交通数据进行分类即可。

示例性地，各初始交通数据的类别可以包括自车情报类别、案内情报类别和周边路网情报类别。确定各初始交通数据的类别可以包括：针对车辆的行驶数据标记自车情报类别；针对道路数据标记案内情报类别；针对路网数据和商铺数据标记周边路网情报类别。

示例性地，属于相同类别的初始交通数据可以划分为同一个数据组，从而同一数据组的初始交通数据具有相同的类别。在AI分析模型需要调用某一个类别的目标交通数据时，可以将具有该类别的数据组中的所有初始交通数据发送给AI分析模型。

在一个示例中，AI分析模型可以为多个具有不同分析功能的AI分析模型，各AI分析模型与一个或多个类别的初始交通数据之间具有对应关系。例如，AI分析模型可以包括第一AI分析模型、第二AI分析模型和第三AI分析模型，第一AI分析模型与自车情报类别中车辆的车速信息之间具有对应关系，第二AI分析模型与自车情报类别中车辆的剩余油量和案内情报类别中下一条道路的位置信息之间具有对应关系，第三AI分析模型与自车情报类别中车辆的车速信息、案内情报类别中下一条道路的位置信息和周边路网情报类别中周边道路的位置信息和商铺的位置信息之间具有对应关系。

这样，各AI分析模型在响应分析指令时，可以基于与各类别中初始交通数据之间的对应关系，生成具有目标类别信息的搜索指令，进而在接收到AI分析模型的搜索指令时，可以根据各初始交通数据的类别，从各初始交通数据中确定出目标交通数据，向AI分析模型快速提供准确的目标交通数据。

示例性地，AI分析模型的搜索指令可以为AI分析模型响应语音控制信息而生成。例如，当AI分析模型接收到语音控制信息“查找最近的商铺”时，则AI分析模型生成对应的搜索指令。

在一个示例中，根据应用场景的不同，AI分析模型可以有多种类型。例如，AI分析模型包括但不限于偏航分析模型、油量分析模型、避让拥堵分析模型、商铺分析模型等。

例如，商铺分析模型可以是加油站分析模型或餐厅分析模型。加油站分析模型的AI分析功能可以包括：利用从各初始交通数据中确定出与加油站分析模型相应的目标交通数据，分析距离车辆所在位置价格最便宜的加油站。餐厅分析模型的AI分析功能可以包括：利用从各初始交通数据中确定出与餐厅分析模型相应的目标交通数据，分析距离车辆所在位置评价最好的餐厅。

可以理解的，AI分析模型的AI分析功能可以根据实际的需要进行选择和调整，本申请实施例对AI分析模型的具体AI分析功能不作限制。

在一种实施方式中，在步骤S104之前，还可以包括：对初始交通数据进行纠错处理。

其中，对初始交通数据进行纠错处理可以包括：将相同类别的初始交通数据输入到相应的纠错模型中，以使纠错模型对相应的初始交通数据进行纠错处理。

举例而言，纠错模型可以包括自车情报纠错模型、案内情报纠错模型和周边路网情报纠错模型，可以分别将具有自车情报类别的初始交通数据输入到自车情报纠错模型，将具有案内情报类别的初始交通数据输入到案内情报纠错模型，以及将具有周边路网情报类别的初始交通数据输入到周边路网情报纠错模型中进行纠错处理。

例如，商铺的评价等级与平均评分的对应关系为：A级对应4-5分，B级对应2-3分，C级对应0-1分，当将商铺的评价等级输入到周边路网情报纠错模型中，若商铺的评价等级为A级，而周边路网情报纠错模型中所确定出的平均评分为3分，则输出商铺的评价等级为B级。

基于此，通过对初始交通数据进行纠错处理，可以提高初始交通数据的准确性，进而提高AI分析的准确性。此外，通过将相同类别的初始交通数据输入到相应的纠错模型进行纠错处理，有利于对各类别的初始交通数据进行并行纠错处理，可提高纠错处理的效率。

在一种实施方式中，在步骤S104之前，还可以包括：对初始交通数据进行校验处理。这样可以验证初始交通数据传输的有效性和完整性，进而提高AI分析的准确性。

在一种实施方式中，如图2所示，对初始交通数据进行纠错处理，可以包括：

S201、在初始交通数据为异常交通数据的情况下，确定初始交通数据的第一关联交通数据；

S202、根据初始交通数据与第一关联交通数据之间的关联关系，对初始交通数据进行纠错处理。

在一个示例中，步骤S201可以包括：在初始交通数据的原始数值超过阈值范围的情况下，确定初始交通数据为异常交通数据；其中，阈值范围可以为针对多个初始交通数据进行机器学习得到。

例如，初始交通数据可以包括道路的限速信息，其中，限速范围为110km/h～120km/h，在道路的限速信息位于限速范围外时，则确定限速信息为异常交通数据；其中，限速范围为针对多个道路的限速信息样本进行机器学习得到。

在又一个示例中，步骤S202可以包括：根据初始交通数据与第一关联交通数据之间的关联关系，确定初始交通数据的正常数值；将初始交通数据的正常数值替换原始数值。

例如，在道路的限速信息位于110km/h～120km/h之外的情况下，确定道路的等级信息为第5级；根据限速信息与等级信息之间的关联关系，确定出对应的限速信息为120km/h，则采用120km/h替换限速信息的原始数值。

基于此，可以向AI分析模型提供更加准确的初始交通数据，提高AI分析的准确性。需要说明的是，由于初始交通数据可以从服务器传输至车辆，因而初始交通数据也可能在传输过程中产生异常交通数据，通过对传输过程中产生的异常交通数据进行纠错处理，还可以减小网络传输性能对AI分析准确性的影响。

在一种实施方式中，初始交通数据包括第一初始交通数据和第二初始交通数据，确定各初始交通数据的类别，包括：

S301、根据第一初始交通数据与第二初始交通数据之间的位置关系，确定第二初始交通数据是否为第一初始交通数据的第二关联交通数据；

S302、在第二初始交通数据为第一初始交通数据的第二关联交通数据的情况下，将第二初始交通数据的类别设置为第一初始交通数据的类别。

在一个示例中，步骤S301可以包括：

将第一初始交通数据和第二初始交通数据输入到位置关系识别模型中，以识别第一初始交通数据与第二初始交通数据之间的位置关系；其中，位置关系模型为基于多个第一初始交通数据样本和多个第二初始交通数据样本训练深度学习网络模型而得到；根据识别结果，确定第二初始交通数据是否为第一初始交通数据的第二关联交通数据。

示例性地，第一初始交通数据可以为商铺位置信息，第二初始交通数据可以为道路位置信息。将商铺位置信息和道路位置信息输入到位置关系识别模型中，识别商铺是否位于道路的距离阈值范围内；根据识别结果，确定商铺位置信息是否为道路位置信息的第二关联交通数据。例如，当商铺位于道路的距离阈值范围内时，则确定商铺位置信息为道路位置信息的第二关联交通数据；否则，商铺位置信息不为道路的第二关联交通数据。

示例性地，针对步骤S302，在商铺位置信息为道路的第二关联交通数据的情况下，则将道路位置信息的类别设置成商铺位置信息的类别，即道路位置信息和商铺位置信息被划分为同一类别的数据组。商铺位置信息与道路位置信息相关联，可以根据道路位置信息确定商铺相对道路的位置关系。

在本实施方式中，通过第一初始交通数据与第二初始交通数据之间的位置关系，将第一初始交通数据和第二初始交通数据进行关联处理，一方面可以减少初始交通数据分类时的计算量，还有利于减小AI分析模型的计算量，提高AI分析的效率。

在一种实施方式中，如图4所示，步骤S105中，向AI分析模型发送目标交通数据，可以包括：

S401、将目标交通数据进行封装；

S402、向AI分析模型发送封装后的目标交通数据。

在一个示例中，可以按类别对目标交通数据进行封装，以使相同类别的目标交通数据封装在一起，以便按类别向AI分析模型发送目标交通数据。

在一个示例中，可以将与AI分析模型相关的全部目标交通数据封装进行封装，以便一次性向AI分析模型发送目标交通数据。

在一种实施方式中，步骤S101可以包括：

确定与车辆所在位置满足预设距离条件的目标对象；

获取与目标对象相对应的交通数据，得到初始交通数据。

其中，距离条件可以是以车辆所在位置为圆心，半径为预设距离的区域内。预设距离可以为1km、2km、3km、5km等。预设距离条件和预设距离可以根据实际需要进行选择和调整，本申请实施例对预设距离条件和预设距离不作限制。

其中，目标对象包括但不限于道路和商铺，目标对象可以根据实际需要进行选择和调整，对申请实施例对目标对象不作限制。

在一个示例中，确定与车辆所在位置满足预设距离条件的目标对象，可以是确定距离车辆所在位置1km圆形区域范围内的下一条道路、周边道路和商铺，其中，周边道路与车辆所在位置之间的距离大于下一条道路与车辆所在位置之间的距离。

在又一个示例中，获取与目标对象相对应的交通数据，得到初始交通数据，可以是获取下一条道路的位置信息、名称、长度信息、车道数量和距离信息，周边道路的名称、长度信息、车道数量、转向信息和斑马线信息，以及商铺的名称、位置信息、价格信息和评分信息等。

本申请实施例的方法可以由车辆端执行，也可以由服务器执行。在一种实施方式中，在步骤S101之前，还可以包括：建立车辆与服务器之间的通信长连接，以接收服务器推送的初始交通数据或按照预设的时间间隔向服务器主动请求初始交通数据。

在一个示例中，接收服务器推送的初始交通数据可以包括：接收服务器发送的推送请求；基于推送请求，向服务器发送车辆所在位置的位置信息；接收服务器发送的与目标对象相对应的交通数据。

相应地，服务器按照预设的时间间隔发送推送请求；服务器在接收到车辆所在位置的位置信息时，则基于位置信息确定与车辆所在位置满足预设距离条件的目标对象；向车辆推送与目标对象相对应的交通数据。

在又一个示例中，按照预设的时间间隔向服务器主动请求初始交通数据可以包括：按照预设的时间间隔向服务器发送车辆所在位置的位置信息；接收与目标对象相对应的交通数据。

相应地，服务器在接收到车辆所在位置的位置信息时，则基于位置信息确定与车辆所在位置满足预设距离条件的目标对象；向车辆推送与目标对象相对应的交通数据。

其中，服务器基于位置信息确定与车辆所在位置满足预设距离条件的目标对象可以是：根据车辆的车辆标识，从预设的对象列表中确定与车辆标识相应的初始对象；基于位置信息，从初始对象中确定与车辆所在位置满足预设距离条件的目标对象。如此，提高目标对象的确定效率，以便快速获取初始交通数据，进而提高AI分析效率。

图5是根据本申请另一实施例的交调数据的分析方法的流程示意图。当车辆端的交通数据处理器执行上述实施例的交通数据的分析方法时，该另一实施例的交调数据的分析方法适于由AI分析模型执行。如图5所示，该另一实施例的交调数据的分析方法可以包括：

S501、向交通数据处理器发送搜索指令，搜索指令中包括目标类别信息；

S502、接收交通数据处理器发送的目标交通数据，其中，目标交通数据为交通数据处理器根据各初始交通数据的类别，从各初始交通数据中确定出与目标类别信息对应的数据；

S503、根据目标交通数据进行AI分析。

在本实施方式中，通过向交通数据处理器发送搜索指令，可以使交通数据处理器基于目标类别信息从各初始交通数据中快速确定出目标交通数据，便于快速接收和基于目标交通数据进行AI分析，这样可以提高AI分析的效率。

再者，由于可以通过AI分析与初始交通数据的类别之间的对应关系，准确搜索目标交通数据，因此，该分析方法适于具有多个AI分析模型的大规模AI分析中，从而有利于提升AI分析的多样性。

图6是根据本申请实施例的交通数据的分析装置600的示意图一。如图6所示，该交通数据的分析装置600可以包括：

获取模块610，用于获取多个初始交通数据；

第一确定模块620，用于确定各初始交通数据的类别；

接收模块630，用于接收AI分析模型的搜索指令，搜索指令中包括目标类别信息；

第二确定模块640，用于根据各初始交通数据的类别，从各初始交通数据中确定出与目标类别信息对应的目标交通数据；

发送模块650，用于向AI分析模型发送目标交通数据，以使AI分析模型根据目标交通数据进行AI分析。

图7是根据本申请实施例的交通数据的分析装置600的示意图二。如图7所示，该交通数据的分析装置600还可以包括：

数据处理模块710，用于对初始交通数据进行纠错处理。

在一种实施方式中，数据处理模块710包括：

第一确定子模块，用于在初始交通数据为异常交通数据的情况下，确定初始交通数据的第一关联交通数据；

纠错处理子模块，用于根据初始交通数据与第一关联交通数据之间的关联关系，对初始交通数据进行纠错处理。

在一种实施方式中，初始交通数据可以包括第一初始交通数据和第二初始交通数据，第一确定模块620可以包括：

第二确定子模块，用于根据第一初始交通数据与第二初始交通数据之间的位置关系，确定第二初始交通数据是否为第一初始交通数据的第二关联交通数据；

类别设置子模块，用于在第二初始交通数据为第一初始交通数据的第二关联交通数据的情况下，将第二初始交通数据的类别设置为第一初始交通数据的类别。

在一种实施方式中，发送模块650可以包括：

封装子模块，用于将目标交通数据进行封装；

发送子模块，用于向AI分析模型发送封装后的目标交通数据。

在一种实施方式中，获取模块610可以包括：

第三确定子模块，用于确定与车辆所在位置满足预设距离条件的目标对象；

获取子模块，用于获取与目标对象相对应的交通数据，得到初始交通数据。

图8是根据本申请另一实施例的交通数据的分析装置800的示意图。如图8所示，该交通数据的分析装置800可以包括：

发送模块810，用于向交通数据处理器发送搜索指令，搜索指令中包括目标类别信息；

接收模块820，用于接收交通数据处理器发送的目标交通数据，其中，目标交通数据为交通数据处理器根据各初始交通数据的类别，从各初始交通数据中确定出与目标类别信息对应的数据；

分析模块830，用于根据目标交通数据进行AI分析。

图9是根据本申请实施例的车辆900的示意图。如图9所示，该车辆900可以包括：上述任一种实施方式的交通数据的分析装置600和上述另一种实施方式的交通数据的分析装置800。

本申请实施例各装置中的各模块的功能可以参见上述方法中的对应描述，在此不再赘述。

根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

如图10所示，是根据本申请实施例的交通数据的分析方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图10所示，该电子设备包括：一个或多个处理器1001、存储器1002，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图10中以一个处理器1001为例。

存储器1002即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的交通数据的分析方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的交通数据的分析方法。

存储器1002作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的交通数据的分析方法对应的程序指令/模块(例如，附图6所示的获取模块610、接收模块620、第一确定模块630、第二确定模块640和发送模块650)。处理器1001通过运行存储在存储器1002中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的交通数据的分析方法。

存储器1002可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据交通数据的分析方法的电子设备的使用所创建的数据等。此外，存储器1002可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器1002可选包括相对于处理器1001远程设置的存储器，这些远程存储器可以通过网络连接至交通数据的分析方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

交通数据的分析方法的电子设备还可以包括：输入装置1003和输出装置1004。处理器1001、存储器1002、输入装置1003和输出装置1004可以通过总线或者其他方式连接，图10中以通过总线连接为例。

输入装置1003可接收输入的数字或字符信息，以及产生与交通数据的分析方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置1004可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入、或者触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS)服务中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。